矫丰霞

(中国石油大学胜利学院,山东东营 257000)

0 引言

股票市场作为国家经济的组成部分,在经济发展中发挥着重要作用,其变化趋势更被认为是经济市场的“晴雨表”。随着市场经济的发展和投资理念的深化,越来越多的人开始投身于股票市场,同时股价的变化趋势也成为股民关注的焦点。但是股票市场数据量大、波动性强,导致预测股票价格具有极大挑战性。

股票价格预测采用的传统方法包括基本面分析和技术分析[1],这些方法大多针对于线性模型,但由于股票市场噪声高、波动性强等特点,使得统计分析方法不能很好的抓住股票非线性波动的特点,造成预准确率不高。随着机器学习的快速发展与广泛应用,神经网络、支持向量机和决策树等也被众多学者应用到股票价格预测中。Al-Fattah[2]利用遗传算法和人工神经网络对油价进行预测,实验结果表明该模型具有较高的预测准确率。辛治远[3]将最小二乘支持向量机模型应用于股市预测,将此方法与时间序列分析作对比,结果表明最小二乘支持向量机有着更高的预测精度和训练效率。相比于机器学习,深度学习模型具有更好的非线性逼近能力,更适用于股价时间序列的预测。

图1 LSTM记忆单元示意图Fig.1 Schematic diagram of LSTM memory unit

LSTM神经网络是一种新型递归神经网络模型,可以进一步解决RNN神经网络中存在的梯度下降快、无法得到最优解的问题,LSTM神经网络已成为能有效处理与时间序列相关的学习模型,因此具有更加广阔的应用前景。……